m基于遗传优化算法的公式参数拟合matlab仿真

简介: m基于遗传优化算法的公式参数拟合matlab仿真

1.算法描述
遗传算法的原理

   遗传算法GA把问题的解表示成“染色体”,在算法中也即是以二进制编码的串。并且,在执行遗传算法之前,给出一群“染色体”,也即是假设解。然后,把这些假设解置于问题的“环境”中,并按适者生存的原则,从中选择出较适应环境的“染色体”进行复制,再通过交叉,变异过程产生更适应环境的新一代“染色体”群。这样,一代一代地进化,最后就会收敛到最适应环境的一个“染色体”上,它就是问题的最优解。

   其主要步骤如下:

1.初始化

   选择一个群体,即选择一个串或个体的集合bi,i=1,2,...n。这个初始的群体也就是问题假设解的集合。一般取n=30-160。

   通常以随机方法产生串或个体的集合bi,i=1,2,...n。问题的最优解将通过这些初始假设解进化而求出。

2.选择

  根据适者生存原则选择下一代的个体。在选择时,以适应度为选择原则。适应度准则体现了适者生存,不适应者淘汰的自然法则。

给出目标函数f,则f(bi)称为个体bi的适应度。以

为选中bi为下一代个体的次数。

显然.从式(3—86)可知:

(1)适应度较高的个体,繁殖下一代的数目较多。

(2)适应度较小的个体,繁殖下一代的数目较少;甚至被淘汰。

这样,就产生了对环境适应能力较强的后代。对于问题求解角度来讲,就是选择出和最优解较接近的中间解。

3.交叉

   对于选中用于繁殖下一代的个体,随机地选择两个个体的相同位置,按交叉概率P。在选中的位置实行交换。这个过程反映了随机信息交换;目的在于产生新的基因组合,也即产生新的个体。交叉时,可实行单点交叉或多点交叉。

拟合公式:

1.png

该公式经过化简实部、虚部分离得:

2.png

公式化简

3.png
4.png

令:

5.png

所以:

6.png

需要拟合的参数有:

7.png

定义GA优化目标函数如下所示:

8.png

2.仿真效果预览
matlab2022a仿真结果如下:

9.png
10.png
11.png
12.png
13.png
14.png

3.MATLAB核心程序

MAXGEN = 2000;
NIND   = 400;
Chrom  = crtbp(NIND,14*10);
%14个变量的区间
Areas  = [0   ,0   ,0   ,0   ,0   ,0    ,0   ,0   ,0   ,0    ,0   ,0   ,0   ,0;
          10  ,1   ,100 ,500 ,100 ,5e8  ,1   ,1   ,1   ,1    ,2e11,2e8 ,1e4 ,1e2];
 
FieldD = [rep([10],[1,14]);Areas;rep([0;0;0;0],[1,14])];
 
epls_inf_NIND    = zeros(NIND,1);
deltas_NIND      = zeros(NIND,1);
delta_epls1_NIND = zeros(NIND,1);
delta_epls2_NIND = zeros(NIND,1);
delta_epls3_NIND = zeros(NIND,1);
delta_epls4_NIND = zeros(NIND,1);
beta1_NIND       = zeros(NIND,1);
beta2_NIND       = zeros(NIND,1);
beta3_NIND       = zeros(NIND,1);
beta4_NIND       = zeros(NIND,1);
fc1_NIND         = zeros(NIND,1);
fc2_NIND         = zeros(NIND,1);
fc3_NIND         = zeros(NIND,1);
fc4_NIND         = zeros(NIND,1);
 
epls_inf         = zeros(MAXGEN,1);
deltas           = zeros(MAXGEN,1);
delta_epls1      = zeros(MAXGEN,1);
delta_epls2      = zeros(MAXGEN,1);
delta_epls3      = zeros(MAXGEN,1);
delta_epls4      = zeros(MAXGEN,1);
beta1            = zeros(MAXGEN,1);
beta2            = zeros(MAXGEN,1);
beta3            = zeros(MAXGEN,1);
beta4            = zeros(MAXGEN,1);
fc1              = zeros(MAXGEN,1);
fc2              = zeros(MAXGEN,1);
fc3              = zeros(MAXGEN,1);
fc4              = zeros(MAXGEN,1);
Error            = zeros(MAXGEN,1);
 
gen              = 0;
 
 
 
for a=1:1:NIND 
    epls_inf_NIND(a)    = epls_inf_0;      
    deltas_NIND(a)      = deltas_0;
    delta_epls1_NIND(a) = delta_epls1_0;
    delta_epls2_NIND(a) = delta_epls2_0;
    delta_epls3_NIND(a) = delta_epls3_0;      
    delta_epls4_NIND(a) = delta_epls4_0;
    beta1_NIND(a)       = beta1_0;
    beta2_NIND(a)       = beta2_0;          
    beta3_NIND(a)       = beta3_0;
    beta4_NIND(a)       = beta4_0;
    fc1_NIND(a)         = fc1_0;      
    fc2_NIND(a)         = fc2_0;
    fc3_NIND(a)         = fc3_0;
    fc4_NIND(a)         = fc4_0;    
    %计算对应的目标值
    [epls_1,epls_2] = func_obj(f,...
                               epls_inf_NIND(a),...
                               deltas_NIND(a),...
                               delta_epls1_NIND(a),delta_epls2_NIND(a),delta_epls3_NIND(a),delta_epls4_NIND(a),...
                               beta1_NIND(a),beta2_NIND(a),beta3_NIND(a),beta4_NIND(a),...
                               fc1_NIND(a),fc2_NIND(a),fc3_NIND(a),fc4_NIND(a));
    for m = 1:length(f)
        tmps1(m) = ((e1(m)-epls_1(m))^2)/(e1(m)^2);               
        tmps2(m) = ((e2(m)-epls_2(m))^2)/(e2(m)^2);    
    end
    E = sum(tmps1)+sum(tmps2);
    J(a,1)  = E;
end
 
Objv  = (J+eps);
gen   = 0; 
 
while gen < MAXGEN;   
      gen
      FitnV=ranking(Objv);    
      Selch=select('sus',Chrom,FitnV);    
      Selch=recombin('xovsp', Selch,0.9);   
      Selch=mut( Selch,0.01);   
      phen1=bs2rv(Selch,FieldD);   
      for a=1:1:NIND  
          if  gen == 1
              epls_inf_NIND(a)    = epls_inf_0;      
              deltas_NIND(a)      = deltas_0;
              delta_epls1_NIND(a) = delta_epls1_0;
              delta_epls2_NIND(a) = delta_epls2_0;
              delta_epls3_NIND(a) = delta_epls3_0;      
              delta_epls4_NIND(a) = delta_epls4_0;
              beta1_NIND(a)       = beta1_0;
              beta2_NIND(a)       = beta2_0;          
              beta3_NIND(a)       = beta3_0;
              beta4_NIND(a)       = beta4_0;
              fc1_NIND(a)         = fc1_0;      
              fc2_NIND(a)         = fc2_0;
              fc3_NIND(a)         = fc3_0;
              fc4_NIND(a)         = fc4_0;           
          else
              epls_inf_NIND(a)    = phen1(a,1);      
              deltas_NIND(a)      = phen1(a,2);
              delta_epls1_NIND(a) = phen1(a,3);
              delta_epls2_NIND(a) = phen1(a,4);
              delta_epls3_NIND(a) = phen1(a,5);      
              delta_epls4_NIND(a) = phen1(a,6);
              beta1_NIND(a)       = phen1(a,7);
              beta2_NIND(a)       = phen1(a,8);          
              beta3_NIND(a)       = phen1(a,9);
              beta4_NIND(a)       = phen1(a,10);
              fc1_NIND(a)         = phen1(a,11);      
              fc2_NIND(a)         = phen1(a,12);
              fc3_NIND(a)         = phen1(a,13);
              fc4_NIND(a)         = phen1(a,14);  
          end
          
          %计算对应的目标值
          [epls_1,epls_2] = func_obj(f,...
                                     epls_inf_NIND(a),...
                                     deltas_NIND(a),...
                                     delta_epls1_NIND(a),delta_epls2_NIND(a),delta_epls3_NIND(a),delta_epls4_NIND(a),...
                                     beta1_NIND(a),beta2_NIND(a),beta3_NIND(a),beta4_NIND(a),...
                                     fc1_NIND(a),fc2_NIND(a),fc3_NIND(a),fc4_NIND(a));
          for m = 1:length(f)
              tmps1(m) = ((e1(m)-epls_1(m))^2)/(e1(m)^2);               
              tmps2(m) = ((e2(m)-epls_2(m))^2)/(e2(m)^2);    
          end
          E = sum(tmps1)+sum(tmps2);
          JJ(a,1)  = E;
      end 
      Objvsel=(JJ+eps);    
      [Chrom,Objv]=reins(Chrom,Selch,1,1,Objv,Objvsel);   
      gen=gen+1; 
 
      %保存参数收敛过程和误差收敛过程以及函数值拟合结论
      epls_inf(gen)         = mean(epls_inf_NIND);
      deltas(gen)           = mean(deltas_NIND);
      delta_epls1(gen)      = mean(delta_epls1_NIND);
      delta_epls2(gen)      = mean(delta_epls2_NIND);
      delta_epls3(gen)      = mean(delta_epls3_NIND);
      delta_epls4(gen)      = mean(delta_epls4_NIND);
      beta1(gen)            = mean(beta1_NIND);
      beta2(gen)            = mean(beta2_NIND);
      beta3(gen)            = mean(beta3_NIND);
      beta4(gen)            = mean(beta4_NIND);
      fc1(gen)              = mean(fc1_NIND);
      fc2(gen)              = mean(fc2_NIND);
      fc3(gen)              = mean(fc3_NIND);
      fc4(gen)              = mean(fc4_NIND);
      Error(gen)            = mean(JJ);
end 
 
 
MIN=min(Objv); 
for ttt=1:1:size(Objv)     
    if Objv(ttt)<=MIN         
       tt=ttt;         
       break;     
    end
end
 
 
epls_inf_best    = epls_inf_NIND(tt);      
deltas_best      = deltas_NIND(tt);
delta_epls1_best = delta_epls1_NIND(tt);
delta_epls2_best = delta_epls2_NIND(tt);
delta_epls3_best = delta_epls3_NIND(tt);      
delta_epls4_best = delta_epls4_NIND(tt);
beta1_best       = beta1_NIND(tt);
beta2_best       = beta2_NIND(tt);          
beta3_best       = beta3_NIND(tt);
beta4_best       = beta4_NIND(tt);
fc1_best         = fc1_NIND(tt);      
fc2_best         = fc2_NIND(tt);
fc3_best         = fc3_NIND(tt);
fc4_best         = fc4_NIND(tt);  
 
%计算对应的目标值
[epls_best1,epls_best2] = func_obj(f,...
                                 epls_inf_best,...
                                 deltas_best,...
                                 delta_epls1_best,delta_epls2_best,delta_epls3_best,delta_epls4_best,...
                                 beta1_best,beta2_best,beta3_best,beta4_best,...
                                 fc1_best,fc2_best,fc3_best,fc4_best);
%画图
 
 
figure;
subplot(211);
loglog(e1,'b','linewidth',2);
hold on
loglog(epls_best1,'r','linewidth',2);
legend('原始数据','拟合数据');
subplot(212);
loglog(e2,'b','linewidth',2);
hold on
loglog(epls_best2,'r','linewidth',2);
legend('原始数据','拟合数据');
02_016m
相关文章
|
1天前
|
监控 算法 数据安全/隐私保护
基于扩频解扩+turbo译码的QPSK图传通信系统matlab误码率仿真,扩频参数可设置
本项目基于MATLAB 2022a实现图像传输通信系统的仿真,涵盖QPSK调制解调、扩频技术和Turbo译码。系统适用于无人机图像传输等高要求场景,确保图像质量和传输稳定性。通过仿真,验证了系统在不同信噪比下的性能,展示了图像的接收与恢复效果。核心代码实现了二进制数据到RGB图像的转换与显示,并保存不同条件下的结果。
16 6
|
1天前
|
传感器 算法
基于GA遗传算法的多机无源定位系统GDOP优化matlab仿真
本项目基于遗传算法(GA)优化多机无源定位系统的GDOP,使用MATLAB2022A进行仿真。通过遗传算法的选择、交叉和变异操作,迭代优化传感器配置,最小化GDOP值,提高定位精度。仿真输出包括GDOP优化结果、遗传算法收敛曲线及三维空间坐标点分布图。核心程序实现了染色体编码、适应度评估、遗传操作等关键步骤,最终展示优化后的传感器布局及其性能。
|
3天前
|
算法
基于SOA海鸥优化算法的三维曲面最高点搜索matlab仿真
本程序基于海鸥优化算法(SOA)进行三维曲面最高点搜索的MATLAB仿真,输出收敛曲线和搜索结果。使用MATLAB2022A版本运行,核心代码实现种群初始化、适应度计算、交叉变异等操作。SOA模拟海鸥觅食行为,通过搜索飞行、跟随飞行和掠食飞行三种策略高效探索解空间,找到全局最优解。
|
5天前
|
机器学习/深度学习 数据采集 算法
基于GWO灰狼优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目基于MATLAB2022a,展示了时间序列预测算法的运行效果(无水印)。核心程序包含详细中文注释和操作视频。算法采用CNN-GRU-SAM网络,结合灰狼优化(GWO),通过卷积层提取局部特征、GRU处理长期依赖、自注意力机制捕捉全局特征,最终实现复杂非线性时间序列的高效预测。
|
6月前
|
安全
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
本文介绍了2023年高教社杯数学建模竞赛D题的圈养湖羊空间利用率问题,包括问题分析、数学模型建立和MATLAB代码实现,旨在优化养殖场的生产计划和空间利用效率。
272 6
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
|
6月前
|
数据采集 存储 移动开发
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码
本文介绍了2023年五一杯数学建模竞赛B题的解题方法,详细阐述了如何通过数学建模和MATLAB编程来分析快递需求、预测运输数量、优化运输成本,并估计固定和非固定需求,提供了完整的建模方案和代码实现。
138 0
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码
|
6月前
|
存储 算法 搜索推荐
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
本文提供了2022年华为杯数学建模竞赛B题的详细方案和MATLAB代码实现,包括方形件组批优化问题和排样优化问题,以及相关数学模型的建立和求解方法。
162 3
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
|
9月前
|
数据安全/隐私保护
地震波功率谱密度函数、功率谱密度曲线,反应谱转功率谱,matlab代码
地震波格式转换、时程转换、峰值调整、规范反应谱、计算反应谱、计算持时、生成人工波、时频域转换、数据滤波、基线校正、Arias截波、傅里叶变换、耐震时程曲线、脉冲波合成与提取、三联反应谱、地震动参数、延性反应谱、地震波缩尺、功率谱密度
|
9月前
|
数据安全/隐私保护
耐震时程曲线,matlab代码,自定义反应谱与地震波,优化源代码,地震波耐震时程曲线
地震波格式转换、时程转换、峰值调整、规范反应谱、计算反应谱、计算持时、生成人工波、时频域转换、数据滤波、基线校正、Arias截波、傅里叶变换、耐震时程曲线、脉冲波合成与提取、三联反应谱、地震动参数、延性反应谱、地震波缩尺、功率谱密度
基于混合整数规划的微网储能电池容量规划(matlab代码)
基于混合整数规划的微网储能电池容量规划(matlab代码)

热门文章

最新文章